23年 AI 大模型技术狂飙一年后,24年 AI 大模型的应用已经在爆发,因此掌握好 AI 大模型的应用开发技术就变成如此重要,那么如何才能更好地掌握呢?一份 AI 大模型详细的学习路线就变得非常重要!
由于 AI 大模型应用技术比较新,业界也没什么参照标准,打造 AI 大模型技术的学习路线并非一件容易的事,我和团队花费了6个多月时间,边整理、边摸索、边实践打造了业界首份 AI 大模型学习路线。
这份完整的AI大模型学习路线,都已上传至CSDN,需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
AGI大模型应用开发学习路线
第一阶段 · 大模型开发基础
第一章:AI新篇章
- 为什么要学习大模型开发?
- 需要准备的工具和环境
第二章:大模型的训练与应用
- 大模型发展史
- 从大模型预训练、微调到应用
- GPT结构剖析
- 大模型家族、类别、应用场景
- RAG,Agent与小模型
第三章:大模型实操与API调用
- 通过API调用大模型
- 单论对话与多轮对话调用
- 开源模型与闭源模型调用
- ChatGLM,Baichuan,Yi-34B调用
- GPT,LLaMA模型调用
- 模型的部署、容器化
第四章:提示工程技术(1)
- 提示词的常见结构
- 提示词的模版化
- Zero-shot与Few-shot
- In-context learning
- Chain of thought prompting
第五章:提示工程技术(2)
- Tree of thought prompting
- Graph of thought promting
- Self-consistency
- Active-prompt
- Prompt chaining
第二阶段 · RAG基础与架构
第六章:RAG基础与架构
- 为什么需要RAG?
- RAG的经典应用场景
- RAG的经典结构与模块
- 向量数据库
- 检索与生成
第七章:【项目实战】基于RAG的PDF文档助
- 产品介绍与核心功能
- 技术方案与架构设计
- 文档读取和解析
- 文档的切分和文档向量化
- query搜索与文档排序
- 提示模版与大模型API接入
- 模型部署与Web应用
第八章:文档切分常见算法
- 根据每个Sentence切分
- 根据固定字符数切分
- 根据固定sentence数切分
- 根据递归字符来切分
- 根据语义相似度来切分
第九章:向量数据库常见算法
- 常用向量数据库以及类别
- 向量数据库与索引算法
- 到排表与搜索优化
- KNN与近似KNN
- Product Quantization
第十章:向量数据库算法进阶- HSNW
- HSNW算法在索引中的重要性
- NSW算法解读
- NSW图中的搜索问题
- Skip List讲解
- 具有层次结构的NSW
第十一章:【项目实战】基于RAG的新闻推荐
- 推荐系统原理、应用场景以及架构剖析
- 传统推荐算法与基于LLM推荐算法
- 新闻数据的准备与整理
- 推荐中的召回与精排
- 精排与Prompt构建
- 模型部署与测试
第三阶段 · RAG与LangChain
第十二章:LangChain基础应用
- 为什么需要LangChain?
- 通过一个小项目快速理解各个模块
- LangChain调用模型
- PromptTemplate的应用
- 输出格式设定
- Pydantic Object设计
第十三章:理解Function Calling
- 什么是 Function Calling
- 自定义输出结构
- 基于OpenAI调用Function Calling
- Function Calling的稳定性
- LangChain与Function Calling
第十四章:LangChain与Retrieval组件
- Document Loaders
- Text Splitters
- Text Embedding模型
- 常用的向量数据库调用
- 常用的Retriever
第十五章:LangChain与Chain组件
- 为什么需要Chain?
- LLMChain, Sequential Chain
- Transform Chain
- Router Chain
- 自定义Chain
第十六章:Advanced RAG(1)
- 经典RAG的几个问题
- Self-querying retrieval
- MultiQuery retriever
- Step-back prompting
- 基于历史对话重新生成Query
- 其他Query优化相关策略
第十七章:Advanced RAG(2)
- Sentence window retrieval
- Parent-child chunks retrieval
- Fusion Retrieval
- Ensemble Retrieval
- RPF算法
第十八章:基于RAGAS的RAG的评估
- 为什么需要评估RAG
- RAG中的评估思路
- 评估指标设计
- 套用在项目中进行评估
- RAGAS评估框架的缺点
第十九章:实战基于Advanced RAG的PDF问答
- 需求理解和系统设计
- 经典RAG架构下的问题
- 检索器优化
- 生成器优化
- 系统部署与测试
第四阶段 · 模型微调与私有化大模型
第二十章:开源模型介绍
- 模型私有化部署的必要性
- 中英开源模型概览与分类
- ChatGLM, Baichuan,Yi等中文开源模型
- LLaMA,Mistral系列英文开源模型
- 微调所需要的工具和算力
第二十一章:模型微调基础
- 判断是否需要模型微调
- 模型微调对模型的影响和价值
- 选择合适的基座模型
- 数据集的准备
- 微调训练框架的选择
第二十二章:GPU与算力
- GPU与CPU
- GPU的计算特性
- 微调所需要的算力计算公式
- 常见GPU卡介绍与比较
- 搭建GPU算力环境
第二十三章:高效微调技术-LoRA
- 全量微调与少量参数微调
- 理解LoRA训练以及参数
- PEFT库的使用
- LoRA训练硬件资源评估
- 认识QLoRA训练
第二十四章:【项目实战】基于ChatGLM-6B+LoRA对话微调模型
- 理解ChatGLM模型家族以及特性
- 导入模型以及tokenizer
- 设计模型参数以及LoRA参数
- 训练以及部署微调模型
- 测试微调模型
第五阶段 · Agent开发
第二十五章:Agent开发基础
- 什么是Agent
- 什么是Plan, Action, Tools
- 经典的Agent开源项目介绍
- 编写简单的Agent程序
- Agent目前面临的挑战与机遇
第二十六章:自定义Agent工具
- LangChain所支持的Agent
- 什么需要自定义Agent
- @tool decorator的使用
- 编写自定义Agent工具
- 编写完整的Agent小项目
第二十七章:深入浅出ReAct框架
- 回顾什么是CoT
- CoT和Action的结合
- 剖析ReAct框架的Prompt结构
- 从零实现ReAct(from Scratch)
- ReAct框架的优缺点分析
第二十八章:【项目实战】开源Agent项目
- 开源Agent项目以及分类
- AutoGPT项目讲解
- MetaGPT项目讲解
- 其他开源项目
- Agent技术目前存在的问题
第二十九章:深度剖析Agent核心部件
- Agent的planning
- Agent的reasoning
- Agent的knowledge
- Agent的memory
- Agent的泛化能力
第三十章:【项目实战】基于Agent的AI模拟面试
- 需求设计和系统设计
- 工具的设计
- AI面试中的深度询问方案设计
- 提示工程设计
- Memory的设计
- 智能体开发与部署
第三十一章:Agent其他案例分享
- AI旅游规划师
- AI产品销售
- AI房租推荐
- AI图像处理
- AI网站开发
第三十二章:其他Agent前沿应用
- 多个Agent的协同
- Agent的group行为
- Agent Society
- Agent的Personality
- 斯坦福小镇案例
第六阶段 · 智能设备与“小”模型
第三十三章:智能设备上的模型优化基础
- 智能设备特性以及资源限制
- 模型优化的必要性
- 常见的模型压缩技术
- 轻量级模型架构介绍
- 开源小模型
第三十四章:模型在智能设备上的部署
- 多大的模型适合
- 部署流程概述
- 模型转换工具
- 模型部署实战
- 性能测试与优化
第三十五章:边缘计算中的大模型挑战与机遇
- 边缘计算的概念和重要性
- 模型所要满足的要求与性能上的平衡
- 模型在边缘设备上的应用案例
- 未来“小”模型发展趋势
- 24年“小”模型机会
第七阶段 · 多模态大模型开发
第三十六章:多模态大模型基础
- 什么是多模态模型
- 多模态的应用场景
- DALLE-3与Midjourney
- Stable Diffusion与ControlNet
- 语音合成技术概述
- 主流TTS技术剖析
第三十七章:多模态模型项目剖析
- 多模态大模型最新进展
- Sora对多模态大模型会产生什么影响
- 案例:MiniGPT-4与多模态问答
- 案例:BLIP与文本描述生成
- 案例:Video-LLaVA与多模态图像视频识别
第三十八章:大模型的挑战与未来
- 大模型技术局限性
- 大模型的隐私性和准确性
- 大模型和AGI未来
- GPT商城的机会
- 多模态的机会
- 对于开发工程师未来的启示
一般掌握到第四个级别,市场上大多数岗位都是可以胜任,但要还不是天花板,天花板级别要求更加严格,对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。
以上的AI大模型学习路线,不知道为什么发出来就有点糊,高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】